[发明专利]一种基于深度学习的利用地震数据预测岩性序列模型的方法

说明书

本发明公开了一种基于深度学习的利用地震数据预测岩性序列模型的方法。它包括如下步骤：1)测定工区内井上的目的层段的岩性数据以及井旁道地震数据作为训练数据；2)对井旁道地震数据进行归一化处理，将其换算到‑1到1的范围；3)将步骤2)处理之后的井旁道地震数据和井上的岩性数据，采取堆栈式循环神经网络模型和序列对序列循环神经网络模型分别进行训练，以井旁道地震数据为观察数据，井上的岩性数据为目标数据，迭代计算使学习模型达到收敛；4)应用步骤3)计算之后的学习模型，输入实际地震数据，即得到预测岩性序列。本发明能在地震数据序列的控制下生成能够有效反映储层分布的岩性数据体，解决井间的储层预测问题，为勘探、开发提供依据。

技术领域

本发明涉及一种基于深度学习的利用地震数据预测岩性序列模型的方法，属于石油勘探与开发的储层预测领域。

背景技术

岩性预测是储层预测的重要手段之一，合理的岩性预测结果有助于开展沉积相展布和沉积演化规律分析，进而预测有利储层空间展布，指导勘探、开发部署。截止目前，对岩性的识别和预测方法研究主要集中于测井曲线和岩性序列关系方面的研究，而对地震波形和岩性序列的关系则研究较少。这一方面是受限于可用方法的局限，利用地震数据预测岩性数据属于变长数据之间的处理，传统的识别方法难以有效处理这种类型的数据；另一方面，无论是地震数据还是岩性数据均属于与时间相关的序列数据，各数据之间非独立存在而是相互关联的，这种关系在岩性上体现为地质沉积规律，在地震数据则表现为波形特征及其变化。因此，利用地震数据和井上的岩性数据建立序列对应关系，建立预测模型，从而实现对岩性体的空间识别和预测，可以有效解决井间的储层预测问题。

在实际地震资料中，由于目的层厚度是变化的，依顶底层位提取的地震数据长度也是变化的，并且常规的测井岩性记录由于时深转换等原因与地震数据也存在数据量不对称的情况，地震采样点与井上的岩性记录点不存在准确的时间域或空间域对齐关系。在这种条件下，常规的预测方法很难处理变长序列输入与变长序列预测的问题。

发明内容

本发明的目的是提供一种基于深度学习的利用地震数据预测岩性序列模型的方法，本发明涉及利用地震数据预测岩性序列模型，即以循环神经网络为基础，利用其对序列数据处理优势的特性，建立了以地震数据为观察数据，岩性数据为目标数据的预测模型，能在地震数据序列的控制下生成能够有效反映储层分布的岩性数据体，解决井间的储层预测问题，为勘探、开发提供依据。

本发明提供的一种基于深度学习的利用地震数据预测岩性序列模型的方法，包括如下步骤：

1)测定工区内井上的目的层段的岩性数据以及井旁道地震数据作为训练数据；

2)对所述井旁道地震数据进行归一化处理，将其换算到-1到1的范围；

3)将步骤2)处理之后的所述井旁道地震数据和井上的岩性数据，采取堆栈式循环神经网络模型和序列对序列循环神经网络模型分别进行训练，以井旁道地震数据为观察数据，井上的岩性数据为目标数据，迭代计算使学习模型达到收敛；

4)应用步骤3)计算之后的所述学习模型，输入实际地震数据，即得到预测岩性序列。

本发明中，所述岩性数据以及井旁道地震数据为本领域公知的常识。

上述的方法中，所述工区内井的数量为10口以上。理论上训练数据越多越好，越少的样本训练得到的模型预测越差

上述的方法中，所述堆栈式循环神经网络模型由全连接层和LSTM层堆叠组成的混合学习模型；所述LSTM层对每个时间步的所述地震数据进行处理，转换成内部隐含层信息，然后通过所述全连接层将所述隐含信息转换到岩性数据域；

步骤3)中，所述堆栈式循环神经网络模型采用RMSprop优化算法进行迭代计算；其学习率设置可为0.001～0.003。根据实际模型训练过程中的损失函数和迭代次数的关系进行选择，优选学习率设置为0.001～0.003。